SUPERVISIÓN TOLERANTE A FALLOS MEDIANTE REDES NEURONALES EXPLICABLES PARA EL CONTROL DE PROCESOS ALIMENTARIOS

Abstract

Este estudio tiene como objetivo desarrollar y evaluar una arquitectura de redes neuronales artificiales explicables para la supervisión tolerante a fallos de un proceso térmico, centrándose en la clasificación de fallos y en la evaluación de acciones correctivas bajo condiciones simuladas de operación. Se utilizó un modelo térmico simplificado para generar datos sintéticos que representan el funcionamiento normal y diferentes escenarios de fallo. Se desarrolló un perceptrón multicapa (MLP) para clasificar las condiciones operativas, mientras que el método SHapley Additive exPlanations (SHAP) se empleó para favorecer la interpretabilidad del modelo. La estrategia de supervisión se evaluó mediante la comparación de indicadores de desempeño del proceso con y sin acciones de control tolerante a fallos. El modelo alcanzó una exactitud de clasificación global del 98,6 %. Para una ventana temporal de 20 muestras, la exactitud reportada fue del 98,7 %, con un tiempo de detección de 5,2 s. Bajo las condiciones simuladas, la incorporación de la supervisión tolerante a fallos se asoció con una reducción de la integral del error absoluto (IAE), de 46,8 a 19,7; del sobreimpulso, del 11,3 % al 4,8 %; y del tiempo de establecimiento, de 95 a 61 s. Estos resultados indican el potencial de integrar la clasificación de fallos basada en redes neuronales, la inteligencia artificial explicable y las acciones correctivas de supervisión para mejorar la respuesta del proceso en las condiciones evaluadas. Sin embargo, el estudio se basa en datos sintéticos y en un modelo térmico simplificado, y no se realizó una validación experimental en una instalación física o industrial. La capacidad de generalización de la arquitectura a diferentes condiciones operativas, así como los efectos de los errores de clasificación sobre las acciones correctivas y la seguridad operacional, requieren investigaciones adicionales. Por tanto, el marco propuesto constituye una alternativa potencial para el diagnóstico de fallos y la supervisión de procesos térmicos, aunque su fiabilidad y eficacia en entornos industriales reales aún deben demostrarse.